Paramétrage d`agents dans le cadre de la navigation

Paramétrage d`agents dans le cadre de la navigation
Université Pierre & Marie Curie
Rapport de stage - juillet-août 2006
Paramétrage d'agents dans le cadre
de la navigation coordonnée
pour les jeux vidéo
Guillaume Riby
Responsable de stage: Olivier Sigaud
Master Informatique Spécialité STL
Année 2005 / 2006
Table des matières
Préface
Partie 1. Introduction et problématique
A. Description des objectifs
B. Apports scientifiques
Partie 2. Environnement de développement : Kodamat
A. Le projet Kodabot
B. SATOM et SATOMJAVA
C. SMUGLU
Partie 3. La navigation dans Kodabot
A. Navigation StraightToTarget
B. Le principe de GACS
C. Navigation GACS++
Partie 4. VisioGacs - Application de paramétrage en ligne
A. Motivations
B. Mise en place
C. Structure de l'application
Partie 5. Paramétrage et résultats obtenus
A. Force vers le but et contournement d'obstacles
B. Evitement des autres entités
C. Maintien de formation
Conclusion
Lexique
Annexes
A. Manuel d'utilisateur de VisioGacs
B. Capture de vidéos dans Counter-Strike
Préface
Dans le cadre de ma formation de Master spécialité informatique, à l'Université des
Sciences et Techniques de Paris 6, il m'a été proposé de suivre un cursus dit de Magistère, ce
cursus impose entre autre la réalisation d'un stage à la sortie de la première année.
L'année passée, j'ai effectué avec deux autres étudiants un projet intitulé « Module de navigation
coordonnée dans le cadre des jeux vidéo » directement en lien avec le Laboratoire
d'Informatique de Paris 6 et plus précisément l'AnimatLab. Durant ce projet qui a duré tout un
semestre, j'ai appris à utiliser l'environnement de développement présent, c'est-à-dire, les
différents frameworks de composants ainsi que les méthodes de travail à adopter, ce qui dans un
premier temps n'a pas été évident. Renforcé par l'expérience acquise durant ce projet et
intéressé par le jeu vidéo, c'est tout naturellement que je me suis tourné vers l'AnimatLab pour
entreprendre ce stage.
Mon responsable de stage est Olivier Sigaud que je remercie pour m'avoir accepté durant les
mois de juillet et août. La plupart du temps, j'ai été encadré par Thomas Degris qui effectue
actuellement sa thèse concernant l'apprentissage par renforcement. Mais j'ai aussi travaillé aux
côtés d'autres étudiants stagiaires tout comme moi, étudiants de différentes filières aussi bien
de parcours d'intelligence artificielle que de génie logiciel.
Dans un premier temps j'introduirai le sujet et les problèmes posés. J'en profiterai pour faire
une brêve description du principe de GACS, l'algorithme de navigation développé dans la thèse
de Fabien Flacher.
Ce stage s'incrivant dans la continuité du projet effectué précédemment décrit, je vais donc
éviter tant que possible de donner trop de détails concernant l'environnement de développement
bien que quelques explications sommaires soient indispensables.
Puis je poursuivrai sur la représentation actuelle de la partie Kodabot, c'est-à-dire, les différents
constituants de l'agent comme la planification et les différents types de navigation.
Une fois ces bases posées je pourrai présenter l'application que j'ai mise en place, application de
paramétrage en ligne nommée VisioGacs; enfin j'exposerai les résultats obtenus grâce à cette
application mais aussi les problèmes non résolus.
Partie 1. Introduction et problématique
Ce projet s'inscrit dans la continuité du projet annuel de première année de Master que
j'avais effectué en trinôme quelques mois plus tôt. Il consistait à faire l'ingénierie, le codage et
l'intégration d'un module de navigation décrit dans la thèse de Fabien Flacher. Ce module de
navigation a pour avantage d'être paramétrable et donc intéressant dans le cadre des
expériences effectuées à l'AnimatLab. Ce projet ayant été réussi et validé par Olivier Sigaud
certaines tâches m'ont été confiées dès mon arrivée au LIP6.
A. Description des objectifs
Dans un premier temps il m'a été demandé de compléter la documentation de GACS++
et d'intégrer le travail précédemment effectué dans le projet Kodabot. C'est une tâche qui a
demandé beaucoup de temps car il n'était pas question de glisser des erreurs dans le tronc de
Kodabot qui est utilisé par les développeurs de l'AnimatLab.
L'objectif principal est de mettre à disposition des chercheurs du LIP6 un jeu de contrôleurs de
type GACS c'est-à-dire utilisant le framework de calcul développé et dont je connais le
fonctionnement, ayant participé à sa réalisation. Ce type d'agents est totalement paramétrable
et par conséquent devait être le résultat d'un algorithme génétique, comme expliqué dans la
thèse originelle. En raison de certaines complications que nous verrons plus loin, ce paramétrage
doit être fait à la main et pour faciliter ce travail une application doit être mise en place pour
permettre le paramétrage d'un agent pendant que celui-ci tourne dans un simulateur donné.
C'est donc le but principal de mon stage qui s'inscrit dans un objectif commun « Obtenir des
agents intelligents ». Une feuille de route a été mise en place dès le début, regroupant les
objectifs de mon stage ainsi que ceux des autres membres de l'AnimatLab. Elle a permis
d'observer la progression des differentes
́
tâches.
B. Apports scientifiques
L'AnimatLab travaille donc au développement d'agents intelligents, la navigation ne
constituant qu'une partie du résultat à obtenir. Il est nécessaire d'avoir un contrôleur de type
GACS pleinement opérationnel qui pourra être combiné avec des modules de planification, de
sélection de l'action... Dans le cas de la planification, un travail de cartographie a été mené par
d'autres stagiaires au LIP6. Ce module va apporter à GACS et vice-versa comme nous le verrons
plus loin dans ce rapport. D'autre part Fabien Flacher va pouvoir utiliser l'application de
paramétrage afin d'obtenir des contrôleurs pour le jeu vidéo Counter-Strike qui touche un grand
public. C'est une étape de plus vers l'objectif principal qui est de confronter un agent du projet
Kodamat de l'AnimatLab avec un agent scripté présent sur internet comme PodBot ou même des
joueurs humains sur le Web.
En tâche de fond, il y a la volonté d'exposer et de mettre à plat les résultats de recherche
obtenus à l'heure actuelle par l'AnimatLab.
Partie 2. Environnement de développement : Kodamat
A. Le projet Kodabot
SMUGLU est un ensemble d'interfaces développées à l'AnimatLab, il a pour but de pouvoir
intégrer différentes parties d'un robot en un tout cohérent et exécutable, c'est-à-dire, de
s'abstraire le plus possible du simulateur choisi pour mener les expériences. Le projet permet de
connecter différentes parties de l'IA du robot entre elles, celles qui nous concerneront
directement sont celle de navigation car GACS est un contrôleur de navigation.
Nous utiliserons aussi toutes les classes (interfaces) qui concernent les drivers. Ce framework est
basé sur un gestionnaire de composants appelé SATOM.
Structure du projet Kodabot englobant SMUGLU.
L'architecture de Kodabot a été pensée dans le but d'être le plus modulaire possible. Cette
modularité a été mise en oeuvre grâce à l'utilisation de composants SATOM. Cette architecture
peut se diviser en deux grandes parties : le contrôleur et le simulateur. La charniere
̀ entre les
deux est faite par l’ensemble d’interfaces SATOM que constitue SMUGLU. Les simulateurs sont
egalement
́
appeles
́ drivers ou pilotes car les composants logiciels qu’ils implementent
́
ont
generalement
́ ́
pour role
̂ de piloter un simulateur existant tel que Counter-Strike plutot̂ que d’en
fournir un à partir de rien. Les simulateurs proposent un environnement virtuel dans lequel
l’agent evolue.
́
Les controleurs
̂
implementent
́
des composants logiciels dont le role
̂
est de
controler
̂
l’agent dans un environnement. Le developpement
́
de differents
́
controleurs
̂
a ete
́ ́ initié
dans le cadre du projet Kodamat.
B. SATOM et SATOMJAVA
SATOM est un gestionnaire de composants, comme J2EE ou Corba, il est utilisé dans la
plupart des développements de l'AnimatLab, et SMUGLU ainsi que Kodabot sont totalement
dépendants de celui-ci. Cependant il est en cours de développement et sans
documentation, ce qui ne simplifie pas la tâche des nouveaux arrivants sur des projets au sein
de l'AnimatLab.
C'est un logiciel qui instancie et lie des composants entre eux pour créer un programme
complexe. De plus, il est capable de gérer du code JAVA et C++. SATOM dispose également d'un
système de comptage de référence pour gérer le cycle de vie des composants (détruire les
objets inutilisés).
Pour fonctionner, le logiciel utilise des fichiers de configuration en XML :
– des fichiers .stc dans lesquels doivent être déclarés les interfaces et composants d'un projet
– des fichiers .sata qui décrivent les interactions des composants
La politique de SATOM est pour résumer « what you get is what you did », car ce logiciel se
contente de générer des fichiers. C'est à l'utilisateur de faire le travail nécessaire pour obtenir un
composant utilisable, car le système est orienté interface et apporte donc très peu de services.
L'utilisation des interfaces oblige à écrire le code qui va avec. Par exemple, même pour des
interfaces très basiques comme l'utilisation de propriétés dans une classe, l'utilisateur devra
gérer « à la main » l'implémentation des propriétés.
Ses principaux atouts sont :
– son chargeur de classes via fichiers XML (fichier SATA) qui permet d'éviter la recompilation
des fichiers de tests
– la communication entre objets C++ et JAVA.
Ce dernier mécanisme permet actuellement, de composer un agent avec un algorithme de
sélection de l'action écrit en JAVA nommé SPITI et développé par Thomas Degris. L'agent étant
codé en C++ dans Kodabot.
La communication JAVA/C++ se fait de la manière suivante : à partir de JAVA l'appel à une
méthode d'une classe donnée est renvoyée vers la classe d'interprète associé, la « Gate ». Cet
interprète a pour but de décoder le message. Ensuite l'interprète appelle une classe statique de
SATOM qui, à partir de l'identité de l'appelant, va trouver l'interprète (autre que celui de JAVA)
côté C++ capable de traiter le message.
Et, à partir de C++, c'est le même processus qui se produit : SATOM remarque que l'objet sur
lequel on fait l'appel est local, il passe par la Gate pour transmettre le message qui est ensuite
désérialisé et interprété; le retour est lui aussi serialisé dans une chaîne de caractère. Cette
chaîne arrive à la Gate JAVA qui désérialise la réponse et la retourne. Il n'y a qu'un seul et unique
interprète JAVA et une table de gates, la Gate en question est celle qui avait fait l'appel.
Le principe général est donc fondé sur l'envoi de messages traduisant les appels de méthodes.
Le message est construit (sérialisation) puis interprété et traduit en un véritable appel
(désérialisation). Ces chaînes de caractères respectent une syntaxe XML mais ce n'est en aucun
cas une obligation, c'est le choix qui a été fait dans l'implantation de SATOM.
C. SMUGLU
SMUGLU, SiMUlateur GLUe, est une convention de l’AnimatLab definissant
́
le protocole de
communication entre un controleur
̂
et un simulateur. Il represente
́
un compromis entre les
differents
́
besoins de chaque groupe de l’AnimatLab. Grace
̂
à SMUGLU, il existe un reel
́
decouplage
́
entre les algorithmes mis en œuvre au sein des controleurs
̂
d’une part et les
composants formant les simulateurs d’autre part. Ainsi, la theorie
́
voudrait qu’un controleur
̂
testé
dans un simulateur A fonctionne egalement
́
dans un simulateur B sans avoir à reecrire
́ ́
une seule
ligne de code si ces deux simulateurs se conforment aux interfaces definies
́
par SMUGLU. Le but
ultime est de pouvoir charger le controleur
̂
dans un robot implementant
́
ces interfaces. En effet,
ceci est interessant
́
car les experiences
́
sur simulateur sont beaucoup moins onereuses
́
que
celles sur un robot. Helas,
́
dans la pratique, le passage d’un controleur
̂
d’un simulateur à un
autre n’est pas toujours aussi transparent et gratuit du point de vue du code. Par exemple, les
principaux problemes
̀
sont lies
́ à des moteurs physiques ne reagissant
́
pas de la meme
̂
facon.
̧
Ainsi, il faut rendre le controleur
̂
robuste à toutes ces variations. Il faut noter egalement
́
que
tester son controleur
̂
dans deux simulateurs differents
́
et evidemment
́
bien plus couteux
̂
que de
le tester dans un seul. Donc, malgré l’utilisation de SMUGLU, un cout̂ supplementaire
́
subsiste.
Structure globale
Representation
́
SMUGLU d’un simulateur
SMUGLU represente
́
un simulateur sous la forme d’un arbre d’entites.
́ Chaque entité est
un composant implementant
́
l’interface IEntity permettant d’obtenir son type, son nom, la liste
des entites
́ filles, etc. Une entité peut egalement
́
proposer des fonctionnalites
́ supplementaires
́
adaptees
́ à sa nature. Enfin, la racine de l’arbre est une entité proposant l’interface IWorldEntity.
Sur la figure précédente, on distingue en bleu les effecteurs du robot et en vert ses capteurs.
Partie 3. La navigation dans Kodabot
Kodabot a pour rôle de regrouper les différentes parties constituant un agent, c'est-à-dire,
la liste des récompenses pour les actions effectuées, la liste des états du bot, mais aussi le
mécanisme de sélection de l'action ainsi que la planification et la navigation... Dans un jeu
comme Counter-Strike, une bonne partie du problème des joueurs et des bots consiste à se
trouver au bon endroit au bon moment. Résoudre efficacement ce problème suppose de savoir
naviguer au sein de la carte sur laquelle se déroule le jeu. Et c'est le probleme
̀
que nous allons
aborder plus précisément dans cette partie.
A. Navigation StraightToTarget
Avant l'intégration de GACS au projet Kodamat il fallait bien disposer d'une navigation pour
mener les expériences de sélection de l'action, cette navigation simpliste nommée
StraightToTarget consiste à faire progresser l'agent en ligne droite jusqu'à atteindre une cible,
cible qui sera mise à jour chaque fois qu'il atteint son objectif. Un problème évident se pose alors
: comment choisir le prochain point? Mais aussi comment faire pour que le bot puisse l'atteindre
en ligne droite?
Pour naviguer, la plupart des bots "classiques" (par exemple, PodBot) utilisent un graphe de très
nombreux points de passages ou Waypoints qui couvrent toute la carte en un réseau serré de
telle façon que le bot puisse se rendre d'un waypoint au waypoint voisin en ligne droite sans
rencontrer d'obstacle. Etant données la localisation courante et la destination du bot, il suffit de
rechercher un chemin dans ce graphe à l'aide d'un algorithme comme A*, puis le bot n'a plus
qu'à passer par la liste des waypoints qui constituent le chemin.
Problèmes rencontrés
Cette approche présente plusieurs inconvénients. D'une part, la construction du graphe de
waypoints se fait à la main, ce qui est d'autant plus fastidieux que les waypoints sont très
nombreux. D'autre part, la trajectoire du bot est très stéréotypée, puisqu'il emprunte toujours les
mêmes lignes droites en passant par les mêmes waypoints successifs. En particulier, il n'est pas
capable d'adapter cette trajectoire à la présence de partenaires ou d'adversaires autour de lui.
Pour ce type de navigation ce sont les graphes de PodBot qui sont utilisés, des graphes avec un
maillage suffisamment serré, pour que le bot ne rencontre aucun obstacle entre 2 points donnés.
L'inconvénient principal est la place mémoire utilisée pour stocker ce graphe ainsi que le temps
de calcul pour calculer un chemin dans ce graphe. En effet si l'on prend par exemple la carte
« de_dust » de Counter-Strike de la figure suivante sur laquelle sont affichés les sommets du
graphes (pas les arêtes par soucis de clarté), voici ses caractéristiques :
– 500 sommets
– 2500 arêtes
– 3 à 5 arêtes par sommet
Carte « De dust » de Counter-Strike
B. Le principe de GACS
Le formalisme de GACS est l'un des résultats de la thèse de Fabien Flacher. L'idée
consiste à construire le déplacement d'un agent comme résultant de la combinaison d'un
ensemble de forces d'attraction et de répulsion qu'exercent sur lui des objets environnants. Plus
précisément, le comportement d'un agent est sensible à un ensemble de points d'intérêt dont la
localisation dépend des entités pertinentes présentes dans le domaine perçu par l'agent. Par
exemple, dans le cas de Counter-Strike, ces objets pertinents sont :
– les partenaires
– les adversaires
– le point d'impact de rayons perceptifs sur les murs environnants
– certains sites particuliers comme le site de la bombe.
A chaque point d'intérêt est associée une force dont l'intensité varie en fonction de la distance
entre l'agent et ce point pertinent, si bien qu'elle peut être attractive à une certaine distance et
répulsive à une autre. Le déplacement de l'agent résulte d'une combinaison linéaire des forces
qui s'exercent sur lui, chaque force se voyant attribuer un coefficient qui peut éventuellement
varier en fonction de la situation.
Un point fort de GACS est que la définition d'un ensemble de forces exercées par un agent se
ramène au bout du compte à un ensemble de paramètres numériques qui peuvent être réglés
pour optimiser le déplacement de l'agent.
C. Navigation GACS++
Les travaux menés sur la navigation réactive ont permis de résoudre les deux problèmes
évoqués précédemment. D'une part, les bots sont capables de naviguer entre deux waypoints
très distants l'un de l'autre sans suivre une ligne droite entre les deux, ce qui permet de réduire
le nombre de waypoints nécessaires pour couvrir toute la carte. D'autre part, le formalisme de
GACS décrit permet de mettre en oeuvre des capacités de navigation coordonnée qui font que
des bots peuvent se déplacer en patrouille ou en formation et adapter leur trajectoire à la
présence d'adversaires autour d'eux.
GACS++ n'est rien d'autre que le portage de GACS en C++. Un agent GACS++ est aux yeux de
Kodamat un « IReactive », un composant qui contrôle le déplacement de façon réactive, c'est-àdire qu'il répond à la commande GoTo(position) et se débrouille pour y aller. Il faut faire en sorte
que les Waypoints soient un nouveau type de points d'intérêt qui seront pris en compte dans le
calcul de GACS.
Composition
Nous allons nous arrêter sur la composition de cette navigation reactive,
́
en général on y
trouve les elements
́ ́
suivants dans l'ordre dans lequel ils interviennent :
– Plusieurs Detector (un par type de point d'interet
́ ̂ ou marque que l'on veut percevoir)
– Un Sensor gerant
́
les portees
́ de detection
́
– Un Behaviour constitué de plusieurs Pattern expliqué plus loin
– Un Effector qui realise
́
la normalisation
GACS permet le parametrage
́
d'un maximum de composants et ce comme expliqué dans la
these
̀
de Fabien Flacher et plus precisement
́
́
dans le papier suivant « GACS an Evolutionary
Approach to the Spatial Coordination of Agents » par Fabien Flacher et Olivier Sigaud. Ces
fichiers SATA sont assez pratiques car ils permettent de modifier quelques valeurs sans avoir à
recompiler l'application. Les composants sont charges
́ au lancement; mais d'un autre côté le
parametrage
́
a pour effet de demander beaucoup d'informations au niveau du SATA ce qui
alourdit considerablement
́
son ecriture.
́
Dans le Behaviour on retrouve des composants paramétrables tels que des :
– fonctions d'orientation
– fonctions d'intensité
– fonctions de gain
Ce sont d'ailleurs les composants qu'il sera intéressant de paramétrer.
Exemple
Prenons un exemple simple : un agent de type Braitenberg. Dans un premier temps, nous
allons expliquer rapidement le principe du Braitenberg, puis nous verrons la correspondance en
terme d'agent GACS++.
Le principe de déplacement d'un agent de type Braitenberg, ou encore « véhicule de
Braitenberg », est relativement simple. Il s'agit d'un agent muni de deux capteurs, en fait deux
lancés de rayons (ici R1 et R2). Chacun de ses capteurs est relié à un frein associé à chaque
roue. Plus la longueur du rayon est courte, c'est-à-dire, plus le point d'impact du rayon est
proche, plus le frein se serre. Ainsi l'agent peut se déplacer en esquivant les murs et autres
obstacles.
Fonctionnement d'un agent de type Braitenberg
Comment cet agent peut-il être représenté avec les composants de GACS++? Voici les
constituants détaillés d'un tel agent.
Detector
Deux Detector vont être nécessaires, ici des WallDetector (un pour chaque lancé de rayon).
<component-data identity="animatlab.kodamat.kodabot.navigation.WALLDetector">
<property name="generatedId" type="int" value="1"/>
<property name="rayAngle" type="float" value="0.52359878"/>
</component-data>
Le même composant sera déclaré pour le rayon « droit » ayant, par exemple, un generatedId
égal à 2 et un rayAngle égal à l'opposé de la valeur du rayon « gauche ». Les id donnés ici sont
des identifiants de points d'intérêt.
Sensor
Un Sensor gerant
́
les portees
́ de detection
́
pour chacun des deux rayons, par exemple les points
d'impact pourront être visibles entre 0 et 100 mètres. Voici la gestion de portée pour le point
d'impact du rayon « gauche » (id égal à 1).
<component-data
identity="animatlab.kodamat.kodabot.navigation.CMapIdRangeEntry">
<property name="id" type="int" value="1"/>
<property name="closeRange" type="float" value="0.0"/>
<property name="farRange" type="float" value="100.0"/>
</component-data>
Behaviour
Un Behaviour est une table mettant en relation un Pattern avec des fonctions d'orientation et
d'intensité qui permettent de créer une force à partir des points trouvés. Le Pattern contient les
id des points d'intérêt à traiter pour générer une force (ici 1 et 2, les points d'impacts des
rayons). Et les fonctions précisent, quant à elles, l'id de la force résultante (ici 206).
<component-data
identity="animatlab.kodamat.kodabot.navigation.CForceGenerationListEntry">
<!-- Le pattern contenant plusieurs entrées -->
<component-data identity="animatlab.kodamat.kodabot.navigation.CPattern"
bind="pattern">
<component-data identity="animatlab.kodamat.kodabot.navigation.CPatternEntry">
<property name="id" type="int" value="1"/>
<property name="rank" type="int" value="1"/>
</component-data>
<component-data identity="animatlab.kodamat.kodabot.navigation.CPatternEntry">
<property name="id" type="int" value="2"/>
<property name="rank" type="int" value="1"/>
</component-data>
</component-data>
<!-- les fonctions de calcul de force -->
<component-data
identity="animatlab.kodamat.kodabot.navigation.LinearIntensityFunction"
bind="intensityFun">
<property name="computedId" type="int" value="206"/>
<property name="a" type="float" value="0.0"/>
<property name="b" type="float" value="10.0"/>
</component-data>
<component-data
identity="animatlab.kodamat.kodabot.navigation.WallAvoidingOrientationFunction"
bind="orientationFun">
<property name="computedId" type="int" value="206"/>
<property name="angle" type="float" value="128"/>
<property name="UTurnDistance" type="float" value="0.1"/>
</component-data>
</component-data>
Dans cet extrait de code XML on remarque que les fonctions de calcul de forces sont une
fonction de calcul d'intensité linéaire ainsi qu'une fonction d'orientation d'évitement des murs.
De même le Behaviour permet d'associer une fonction de gain à la force obtenue :
<component-data identity="animatlab.kodamat.kodabot.navigation.CMapIdGainEntry">
<property name="id" type="int" value="206"/>
<component-data
identity="animatlab.kodamat.kodabot.navigation.ConstantGainFunction"
bind="gainFun">
<property name="constant" type="float" value="1.0"/>
</component-data>
</component-data>
On retrouve bien la logique suivante : la force est créée avec un id égal à 206 et le gain doit
s'appliquer à cette force donc à son id (précisé en bleu).
Effector
Un Effector qui realise
́
la normalisation.
<component-data identity="animatlab.kodamat.kodabot.navigation.CGlobalEffector"
bind="globalEffector">
<component-data
identity="animatlab.kodamat.kodabot.navigation.RegularNormalizeFunction"
bind="normalizeFun">
<property name="maximumForce" type="float" value="12.0"/>
</component-data>
</component-data>
Ce qu'il faut retenir de cet exemple, c'est que malgré sa simplicité, il nécessite une description
XML qui est fastidieuse à mettre en place. D'autant plus que je n'ai rappelé ici que les
composants sans montrer tout le cadre dans lequel ils sont incorporés. Ainsi il est intéressant de
se pencher sur une application de paramétrage et de génération automatique de fichiers de
description d'agents en XML, dits fichiers SATA.
Partie 4. VisioGacs
Application de paramétrage en ligne
A. Motivations
Pourquoi mettre en place un outil de paramétrage en ligne d'un agent?
Tout simplement car GACS++, le module de navigation, est développé mais mal paramétré. Il
est basé sur un système de calcul de forces permettant la configuration de la navigation de
l'agent. Il vient compléter le module de planification qui, via un graphe de Waypoints (ou carte),
fournit une cible vers laquelle se diriger. L'objectif est de remplacer la navigation de type
StraightToTarget pour obtenir un graphe de Waypoints allégé ainsi qu'un déplacement plus
souple et paramétré. On pourra de même obtenir différents comportements : seul avec et sans
contournement d'agents, à plusieurs en formation (triangulaire, diamant ou « tas »).
Problème
Pour lancer l'application et effectuer differents
́
tests, autrement dit pour instancier des
objets dans GACS++, nous devons passer par l'outil mis en place par le gestionnaire de
composants SATOM. Celui-ci necessite
́
de representer
́
les objets à creer
́ au lancement dans un
fichier SATA qui permet de decrire
́
les composants souhaites
́ ainsi que de les lier entre eux.
L'intérêt d'une application de paramétrage est donc d'éviter d'avoir à stopper la simulation pour
modifier le fichier de configuration « à la main » et ensuite relancer la simulation; ce qui est
fastidieux.
Solutions
Pour répondre à ce problème il existe au moins deux solutions. La première consisterait
en la programmation d'un algorithme génétique comme décrit dans le GACS d'origine (thèse de
Fabien Flacher). Or pour lancer un tel algorithme il est nécessaire de pouvoir accélérer la
simulation ce qui n'est pas possible dans le cas du jeu vidéo Counter-Strike dans lequel tous les
tests sont effectués.
La seconde solution qui a été retenue, est l'utilisation d'une application tournant en parallèle de
la simulation et qui permet à un utilisateur de paramétrer en « live » les composants de l'agent
GACS. En effet un agent est totalement configuré dans un fichier au format XML (ou fichier
SATA), fichier qui est chargé par le sérialiseur de SATOM. Le chargement est effectué une fois au
lancement de la simulation, ce qui entraîne le redémarrage du simulateur à chaque modification
manuelle faite dans le fichier SATA.
B. Mise en place
Dans un premier temps il a été nécessaire d'implanter des éléments inexistants dans
SATOMJAVA et qui seraient utilisés dans l'application de paramétrage comme par exemple les
accesseurs et modificateurs de champs C++ à partir de JAVA.
Il faudra pouvoir faire ce qui suit pour, par exemple, récupérer l'équipe d'un agent donné :
MobileAgentEntity agent...;
/* cast de l'entité en IProperties pour accéder à ces attributs */
IProperties agentProperty = (IProperties) Satom.stnew(agent, IProperties.class);
String team = agentProperty.getPropertyS("team");
Ce qui n'était pas implanté ici est la méthode « getPropetyS » mais il faut savoir qu'il y a une
méthode différente pour chaque type de retour. Comme vu précédemment on récupérera la
propriété d'un objet en faisant appel aux méthodes « getPropertyX » sur l'objet que l'on aura
casté au préalable en l'interface « IProperties ». De même, il faut mettre en place une
récupération des donnés complexes, c'est-à-dire, des bindings via l'interface « IBind ».
Pour implémenter la classe IProperties on s'appuie sur le mécanisme d'introspection de JAVA.
Ainsi il faut implanter les méthodes « setProperty » et « getPropertyX » en utilisant le principe
suivant :
1. Récupérer la classe de « this », l'objet courant
2. Récupérer les méthodes liées à cet objet, existe-t-il une méthode « getPropertyX » ou
« setProperty » correspondante?
Si oui on retourne le résultat de l'appel
3. Existe-t-il un getter ou un setter pour la propriété en question?
Si oui on retourne le résultat de l'appel
4. Récupération des champs, existe-t-il un champ correspondant?
Si oui on retourne le résultat de l'appel
5. Autrement une exception est levée car le champ est inexistant
Ces implantations se faisant directement dans SATOMJAVA elles ont donné lieu à de nombreux
tests JUnit pour vérifier que la communication JAVA/C++ fonctionne correctement. On ne peut
pas prendre le risque de distribuer des méthodes si bas niveau sans vérifier leur bon
fonctionnement.
C. Structure de l'application
Pour mettre en place l'application de paramétrage qui accélèrera le développement
d'agents réalistes, il a été décidé d'utiliser le langage JAVA. Ce qui peut paraître étonnant dans
un premier temps, étant donné que les agents sont codés en C++. C'est une manière
intéressante d'utiliser les propriétés de gestionnaire de composants utilisé au sein de
l'AnimatLab, SATOM.
L'idée est de faire tourner VisioGacs en parallèle de la simulation pour pouvoir faire des réglages,
comme le montre la figure précédente, avec à gauche l'application VisioGacs et à droite la
simulation Counter-Strike.
Pour cela il va falloir charger une instance de VisioGacs en même temps que les agents à
paramétrer. Ainsi, il va falloir passer par le fichier SATA contenant l'agent à observer et y ajouter
un composant VisioGacs qui sera chargé. C'est de cette manière que VisioGacs s'intègre dans le
reste de l'architecture Kodamat. Grâce à la gestion multi-langages, le sérialiseur XML de SATOM
charge indifféremment en mémoire des instances C++ ou JAVA.
Prise en main
Grâce au projet effectué lors de la première année de Master j'avais déjà pris
connaissance de la marche à suivre pour récupérer les informations nécessaires en C++; par
contre je n'avais pas encore appris à le faire du côté Java. Cette prise en main a été plus longue
que ce à quoi je m'attendais car il y a de nombreuses subtilités à comprendre et appliquer,
comme par exemple les « cast » SATOM qui ne se font pas de la même manière que les « cast »
JAVA.
En JAVA :
IWorldEntity world = (IWorldEntity) Satom.stnew("animatlab.smuglu.CWorldEntity",
IworldEntity.class);
...
IPointerList entityList = this.world.getEmbeddedEntities();
IClockEntity clock = null;
for(int i=0; i<entityList.getSize(); i++) {
if(entityList.get(i).toString().contains("CClockEntity"))
clock = (IClockEntity) Satom.stnew(entityList.get(i), IClockEntity.class);
}
INotifier notifier = (INotifier) Satom.stnew(clock, INotifier.class);
notifier.addListener(this.getListener());
notifier.removeListener(this.getListener());
En C++ :
StRef<IWorldEntity> world("animatlab.smuglu.CWorldEntity");
...
StRef<IClockEntity> clock;
clock.Set(world->GetEmbeddedEntity("animatlab.smuglu.CClockEntity"));
IpointerList list = world->GetEmbeddedEntities(
"animatlab.kodamat.kodabot.navigation.CGACSReactive");
StRef<INotifier> notifier(clock);
notifier->AddListener(this);
notifier->RemoveListener(this);
Pour l'occasion une branche vierge a été mise à ma disposition sur Subversion pour accueillir
l'application VisioGacs. Elle donne naissance à un nouveau composant dans le projet Kodamat,
composant qui peut désormais être ajouté à n'importe quel fichier SATA permettant de contrôler
les agents réactifs et de modifier les comportements des agents de type GACS; il est nommé :
animatlab.kodamat.visiogacs.VisioGacs
La mise en place dans les fichiers SATA se fait en utilisant la technologie Xpath pour référencer
des composants déjà définis dans le fichier :
<component-data identity= "animatlab.kodamat.visiogacs.VisioGacs">
<component-data reference= "../../component-data[@bind = 'x']"/>
[...autres bind et references sur des composants des agents]
<component-data/>
Dans cet exemple, le composant référencé est désigné grâce à un chemin relatif « ../../ » au
noeud courant et à la valeur de son attribut « bind ». Cette manière de récupérer les éléments
est très pratique car elle permet de créer une référence vers le graphe de Waypoint ou tout autre
élément lié à l'agent et qu'il serait intéressant d'observer voire modifier.
Structure globale
Diagramme de packages de VisioGacs
Les dépendances au package « animatlab.kodamat.kodabot.navigation » sont indiquées en gris;
de la même manière l'ensemble des packages de VisioGacs dépendent du package
« org.satom » ce qui n'est pas précisé sur le diagramme précédent.
A présent, passons à la description détaillée des différents packages composant VisioGacs.
animatlab.kodamat.visiogacs
VisioGacs est la seule classe à ce niveau de package. Elle est chargée par le sérialiseur de
SATOM, elle doit récupérer et initialiser les informations nécessaires par la suite dans le modèle
mais d'autre part lancer la vue et le contrôleur.
Comme vu précédemment un agent peut-être vu sous « différents angles », c'est-à-dire, casté en
différentes interfaces, chacune d'elles permettant l'accès à des méthodes particulières. Le travail
de la classe VisioGacs réside principalement en la collection de ces différentes entités obtenues
afin d'éviter des cast répétitifs et lourd en terme d'écriture, à travers le reste du code de
VisioGacs.
De plus si l'agent à charger dans VisioGacs est de type GACS alors on remonte l'ensemble de ces
composants paramétrables en mémoire dans VisioGacs, ceci pour éviter les appels JAVA/C++
abusifs.
animatlab.kodamat.visiogacs.view
Ce package contient à la fois les parties vue et contrôleur qui sont toutefois clairement
séparées de telle manière qu'il sera aisé d'ajouter de nouvelles fonctionnalités. VisioGacs sera
très certainement amené à évoluer, ceci en fonction des besoins, si par exemple de nouveaux
composants viennent s'ajouter dans GACS++. Le paramétrage et l'affichage 2D y sont gérés
comme le montre les images qui suivent dans ce rapport. Affichage des agents, de leur points
d'intérêts, des waypoints et gestionnaire de cartes.
Ces deux images représente le paneau supérieur de l'application VisioGacs. Il est possible de
modifier l'affichage via le menu « Display », d'obtenir de l'aide (« ? »), de mettre l'agent en
pause et d'en prendre le contrôle ou bien encore de le paramétrer en agissant directement sur
les champs et les composants inclus dans la ComboBox.
On remarque que les valeurs paramétrables présentes dans le champs texte ont un identifiant
ainsi qu'un type précis qui sont tous deux rappelés pour faciliter la prise en main. Par contre le
nom des composants n'est pas très explicite ce qui force l'utilisateur à consulter le fichier SATA
auparavant.
Des commandes simples ont été ajoutées comme le saut, le tir, le rechargement mais aussi le
contrôle de l'agent : mise en pause et déplacement manuel... La pause est d'ailleurs la première
des fonctionnalités qui a été disponible dans VisioGacs; elle était demandée par les différents
participants au projet Kodamat au même titre que le contrôle manuel.
Affichage 2D des agents avec la carte courante utilisée sur le serveur en fond. Les proportions
sont recalculées lors du changement de taille de la fenêtre. Il faut bien distinguer les trois
dimensions que l'on manipule :
– la taille de l'image de fond
– la taille courante de la fenêtre
– la position de l'agent dans le repère général de la carte
Le système de gestion des cartes a été particulièrement soigné afin de pouvoir accepter d'autres
cartes ce qui pourrait être intéressant à l'avenir, pour cela il faut :
– ajuster l'image de la carte au plus petit rectangle pouvant la contenir
–
–
connaître la taille de l'image obtenue
connaître les valeurs minimum et maximum de position de l'agent sur les axes X et Y
Six agents sur la carte « De dust 2 » vus par VisioGacs
Il y a un affichage des points d'intérêts qui est vraiment pratique. Quand l'agent est en pause les
points sont mis à jour. Il faut alors demander à GACS de faire le calcul mais pas quand l'agent
tourne sans quoi les calculs seront effectués en double (à chaque pas de temps) ce qui surcharge
l'exécution inutilement.
De même on dispose de l'affichage de la direction courante de l'agent, de son nom et de ses
derniers déplacements, mais aussi de son statut de leader et de son équipe (Contre-Terroristes
en bleu, Terroriste en rouge et agent couramment sélectionné en vert). Cette partie nécessite
des calculs trigonométriques car il faut bien noter que lorsque l'on fait un appel à
getMoveSpeed(), le vecteur retourné est relatif au repère du bot, c'est-à-dire que les X sont
croissants devant.
Le graphe de Waypoint dans VisioGacs peut-être affiché, cette fonctionnalité a été utilisée pour
afficher les sommets du graphe associé à la carte « De dust » de Counter-Strike (montrée
précédemment dans ce rapport). Voici un exemple d'ajout intéressant que je vais détailler
brèvement. Il est nécessaire de :
– dans le fichier SATA binder à « WaypointGraph » la référence au graphe
– dans le code effectif de VisioGacs charger l'ensemble de la structure pour éviter de répéter la
communication JAVA/C++ inutilement
animatlab.kodamat.visiogacs.xml
Un parseur XML pour la sauvegarde de configuration après paramétrage a été mis en
place. Dans ce package on notera l'utilisation de la technologie SAX. De plus certaines
modifications ont été faites au niveau du sérialiseur de SATOM, c'est-à-dire, côté C++.
Le sérialiseur présent dans SATOM a 2 fonctions :
– Le chargement des fichiers SATA, l'instanciation d'objets décrit en XML
– L'écriture XML d'objets instanciés
Dans le cas présent c'est la deuxième fonctionnalité qui va être exploitée; ceci en récupérant
comme suit une instance du sérialiseur puis en faisant un appel à la méthode Write() en mettant
en paramètre l'objet à désérialiser :
StRef<IComponentSerializer> serializer("org.satom.CComponentSerializer");
serializer->Write(this);
virtual StVoid Write(IBase* component, StString documentPath);
Celle-ci permet l'écriture d'une instance mais pas des composants qui la constituent; il a donc
été nécessaire de rentrer dans le code C++ de SATOM afin d'y ajouter les modifications
nécessaires et indispensables comme l'écriture récursive des composants, c'est-à-dire, qu'il faut
aussi sortir la description des composants constituant un composant donné; d'où la création
d'une méthode :
WriteWithBindAttribute()
De cette manière le fichier XML récupéré en sortie n'était toujours pas satisfaisant dans le sens
où il ne pouvait pas directement être chargé par le sérialiseur de SATOM. Il a fallu créer un
« cadre » minimum dans lequel insérer le code XML de l'agent. Or ces modifications n'ont
clairement rien à faire au niveau du sérialiseur. Ce n'est en fait pas à SATOM de s'adapter au
besoin de VisioGacs mais plutôt à VisioGacs de faire le travail. En clair, il a fallu reprendre le
fichier XML brut et le parser grâce à un parseur SAX qui se trouve être très adapté à ce genre de
modification. Le SAX étant un parseur événementiel, on ne peut pas accéder à l'arborescence du
fichier parsé mais l'ajout d'attributs, ou encore la modification de balises sont très faciles.
Avec ce package, la configuration courante de l'agent peut-être sauvegardée à tout moment.
animatlab.kodamat.visiogacs.wrapper
Dans ce package on retrouve la définition de Wrapper d'objets composant le bot, c'est-àdire, d'objets C++ non récupérables directement en JAVA. Notamment les Map C++ utilisées du
côté de la navigation (package animatlab.kodamat.kodabot.navigation) dont les entrées ne sont
pas récupérables en JAVA.
Par exemple, prenons les tables mettant en relation un Pattern et des fonctions de calcul de
forces, tables utilisées pour représenter le composant ForceGenerationList en mémoire. Lorsque
l'on souhaite obtenir une entrée de cette table le mécanisme est le suivant :
– Création d'un Wrapper JAVA de VisioGacs
– On donne à cet objet une référence à la Map complète
–
On indique à cet objet l'indice de l'entrée que l'on souhaite récupérer
Ce système ne pose pas de problème particulier étant donné que la table complète est passée
par référence à l'objet Wrapper.
animatlab.kodamat.visiogacs.utils
Classes constituant la majeure partie du modèle, ces classes regroupent les informations
utilisées par la vue; voici la liste des parties du modèle :
– Gestion de l'agent : Agent, GacsAgent & AgentList
– Gestion des composants GACS : InterestingComponent & InterestingComponentList
– Gestion du graphe de Waypoint : WaypointGraph & Waypoint
– Gestion d'objets supplémentaires : Positions & Utils
Par exemple la classe Agent conserve les multiples casts de l'agent en diverses interfaces de
SMUGLU, comme vu précédemment. La classe GacsAgent hérite d'Agent et a pour rôle de
charger les composants GACS.
animatlab.kodamat.visiogacs.test
Ce package contient une batterie de tests JUnit (à enrichir faute de temps) qui a été
nécessaire pour tester le bon fonctionnement des premières communications JAVA/C++. En effet
cet aspect n'a pas été évident à prendre en main. Par exemple on y retrouvera des tests simples
comme :
/**
*
* test1c : Another modification of a StringList
*
*
**/
public void test1c() {
this.stringList = (IStringList) Satom.stnew("org.satom.CStringList",
IStringList.class);
this.stringList.pushBack("I'll");
this.stringList.pushBack("be");
this.stringList.pushBack("back");
this.stringList.pushBack("!!");
assertEquals(this.stringList.get(2), "back");
}
/**
*
* test2a : Creation of a FloatList
*
*
**/
public void test2a() {
this.floatList = (IFloatList) Satom.stnew("org.satom.CFloatList",
IFloatList.class);
assertNotNull(this.floatList);
}
Partie 5. Paramétrage et résultats obtenus
L'après VisioGacs n'est que le commencement... en effet l'objectif final n'est pas de créer
l'application de paramétrage mais de l'utiliser pour avoir différentes configurations d'agents
réalistes :
– Un bot de type Braitenberg ayant un objectif
– Contournement d'agents
– Formation triangulaire
A. Force vers le but et contournement d'obstacles
Une fois que l'on a obtenu un agent de type Braitenberg bien paramétré, comme vu
précédemment, l'aspect contournement d'obstacles est géré. Or on souhaite ajouter une force
d'attirance vers le but puis observer les résultats. La force vers un but est très simple à mettre
en place, car elle est déjà implantée dans GACS++, il suffit pour cela de fixer la cible courante de
l'agent. Une fonctionnalité intéressante a été mise en place dans VisioGacs pour exploiter cette
propriété, ainsi en faisant un clic de souris sur la carte (dans la fenêtre de VisioGacs), la cible de
l'agent courant est directement remise à jour avec les nouvelles coordonnées.
Avec un tel dispositif, il a été possible de paramétrer l'agent pour équilibrer les forces d'attirance
au but et celles de répulsion aux obstacles. Le meilleur résultat obtenu est que l'agent suit le
chemin désiré en ne passant que par un Waypoint sur quatre! Par contre en « guidant » le bot à
la souris, on peut encore diminuer l'utilisation de Waypoint. Je pense qu'en redisposant les
Waypoint judicieusement sur la carte il serait possible de diviser leur nombre actuel par dix. Le
principal avantage est la diminution significative du nombre de sommets et d'arêtes du graphe,
induisant un chargement plus rapide de la simulation et un calcul de chemin bien plus efficace.
Dans le cliché précédent on remarque que l'on peut faire traverser la carte à un bot de ce type
en six clics de souris, indiqués par des croix rouges, chaque clic remettant à jour la cible à
atteindre et l'indice « 0 » étant la position initiale de l'agent. Cette situation ne serait pas
possible avec un bot de type StraightToTarget vu précédemment, en effet, dans l'exemple les
cibles sont séparées par des obstacles si bien que l'on ne peut pas atteindre la suivante en ligne
droite. Avant, près d'une quarantaine de Waypoint étaient nécessaires pour réaliser ce parcours.
B. Evitement des autres entités
Ces deux images provenant de VisioGacs montrent l'importance de pouvoir éviter les
entités présentes sur la carte. En effet, si l'on met en scène 2 agents GACS ayant un
comportement de type Braitenberg, on obtient le cas présenté par l'image de gauche, c'est-àdire que les 2 agents de ne se voient pas et finissent l'un contre l'autre.
Par contre, sur l'image de droite, les 2 agents sont équipés de détecteurs qui leur permettent de
percevoir les entités environnantes telles que les amis, les ennemis et les leaders d'équipe. Dans
ce cas l'impact est évité grâce à une force de répulsion.
Voici le principe de l'évitement : il faut avant tout pouvoir détecter les entités environnantes à
une certaine distance D1, puis le calcul se fait en deux temps. D'abord un point d'évitement est
calculé « à côté » de l'agent que l'on souhaite contourner; ici à gauche à une distance D2. Il suffit
ensuite d'appliquer une force vers le point généré ce qui va avoir pour effet de dévier la
résultante du calcul de GACS vers la gauche.
En théorie cela paraît être très efficace, seulement ça ne fonctionne vraiment bien dans la
pratique que sur quelques cas simples comme montré ci-dessus. C'est-à-dire lorsque l'on fait se
rencontrer deux agents qui arrivent l'un en face de l'autre. Autrement, dans la plupart des cas,
soit la force d'évitement a une incidence trop forte sur le résultat auquel cas l'agent tente
d'éviter les autres quitte à rencontrer un obstacle; soit la force d'évitement est trop faible pour
éviter la rencontre. J'ai tenté en vain d'obtenir un paramétrage correct via VisioGacs et pour
avoir passé un certains temps sur ce problème, je pense que le paramétrage est très difficile à
optimiser dans des cas aussi complexes que celui-ci.
C. Maintien de formation
Pour le maintien de formation, il a fallu se pencher sur la modélisation du système de
force. Comment doit-on agencer les composants pour obtenir une formation triangulaire? C'est-àdire, quels composants utiliser, et ceci avant même de se poser les questions de paramétrage.
Deux systèmes ont été pensés. Le premier est un modèle avec leader, représenté sur la figure
suivante. Il repose sur un leader de type Braitenberg et ayant une force vers un but; il servira de
« guide ». Les deux autres agents, quant à eux, sont « aveugles » et ne perçoivent que leur alliés
via des capteurs d'entités. Prenons l'exemple de l'agent Ag2, deux forces lui seront appliquées,
la première le tenant à une distance D1 du leader Ag1, la deuxième à une distance D2 de son
homologue droit Ag3.
Le second système vient en réponse à la question suivante : que se passe-t-il si le leader vient à
disparaître? En effet dans le cas précédent si le leader disparaissait, les deux autres agents
seraient perdus. Pour résoudre ce problème le second système part du principe qu'il n'y a pas de
leader dans une équipe; tous les agents d'une même équipe sont alliés et ont le même
comportement. Pour cela chaque agent à sa propre attirance vers un but ainsi que son évitement
d'obstacles. Le problème d'un tel système est encore une fois le paramétrage, c'est-à-dire la
proportion à donner entre les forces de maintien de formation, d'évitement d'obstacles et de
l'objectif. A chaque fois que l'on ajoute une nouvelle notion, et donc au moins une nouvelle force
qui intervient dans le calcul, il faut revoir l'ensemble des paramétrages.
Conclusion
Revenons point par point sur les résultats obtenus. Tout d'abord l'application VisioGacs,
fonctionne et permet un paramétrage plus rapide, seulement elle ne fait qu'alléger cette
opération qui est pour le moins laborieuse. Elle n'apporte pas la solution tant attendue, c'est-àdire un paramétrage facile et universel. Les résultats que j'obtiens, même s'ils sont intéressants,
sont bien moins importants que prévus au tout début de mon stage. La navigation présente des
problèmes qui interviennent dans certains cas imprévus. En effet, on peut passer un temps
considérable à configurer un agent sur un parcours d'une carte donnée, être satisfait du résultat
obtenu et se rendre compte en testant ce bot sur une zone différente ou dans un cas bien précis
que ça ne correspond pas du tout à l'attente; le bot se bloquant dans un coin de la carte. L'enjeu
était de porter la navigation GACS dans les expériences de sélection de l'action réalisées par
Thomas Degris, Nicolas Desprès et Jean-Philippe Dubus; qui utilisent une navigation de type
StraightToTarget limitée et présentant de nombreux inconvénients. La réponse à ce problème
peut être donnée par une utilisation de VisioGacs par un expert dans le domaine, en tout cas
VisioGacs est facilement modifiable et améliorable.
Durant ce stage j'aurais appris à monter une véritable application JAVA, reposant sur un modèle
MVC, non pas fermée sur elle-même mais devant communiquer avec divers systèmes en
développement et partiellement documentés comme SATOM, SMUGLU et Kodabot. J'ai dû mener
ce projet seul, et ainsi gérer un répertoire sous Subversion vierge de tous fichiers au lancement
de mon stage. Cela m'a demandé de mettre en place un structuration claire des sources ainsi
que les fichiers permettant aux utilisateurs d'installer facilement ce composant.
Je remercie encore une fois les personnes m'ayant aidé durant ce stage qui a été très
enrichissant et qui me rapproche petit à petit de mon objectif professionnel.
« Si, réduits au désespoir, ils viennent pour vaincre ou pour périr, évitez leur rencontre »,
Sun Tzu, L'art de la guerre, Article VII.
Lexique
GACS
Génération Ascendante de Coordination Spatiale, thèse de Fabien Flacher.
Counter-Strike
C'est le simulateur utilisé dans le cadre des recherches effectuées par l'AnimatLab. C'est en fait
un jeu de type FPS (First Person Shooter) connu des joueurs et très joué sur le Web. Il est utilisé
car c'est celui pour lequel les drivers ont été le plus développés pour récupérer les informations
nécessaires au calcul des déplacements mais aussi pour la partie, sélection de l'action.
PodBot
Equipe
́
de bots scriptés pour Counter-Strike developpe
́
́ par CountFloyd. L’IA employee
́ est du
niveau d’un joueur moyen. C’est la reference
́ ́
actuelle en la matiere.
̀
SPITI
SPITI est le système d'apprentissage par renforcement et de sélection de l'action développé par
Thomas Degris dans le cadre de sa thèse.
Annexe
A. Manuel d'utilisateur de VisioGacs
Install VisioGacs application :
Do a 'make install' of SatomJava after Satom, Smuglu and Kodabot are installed.
Then use the build.xml file by making :
ant -Dsatom=$SATOM satomInstall
Launch the VisioGacs application :
Choose a Sata file and add the following lines :
1) Labels need to be added on bots we want to control : label="botx" as followed :
<component-data identity="animatlab.kodamat.kodabot.navigation.CGACSReactive"
label="bot1">
[...]
</component-data>
<component-data identity="animatlab.kodamat.kodabot.navigation.CGACSReactive"
label="bot2">
[...]
</component-data>
[...]
2) Then use these labels by declaring only one VisioGacs component which contains all
references :
<component-data identity="animatlab.kodamat.visiogacs.VisioGacs">
<component-data reference="/satom-data/component-data[@label = 'bot1']"/>
<component-data reference="/satom-data/component-data[@label = 'bot2']"/>
[...]
</component-data>
Control commands :
Panel's buttons :
NEXT - switch to the next bot
PAUSE - stop the current bot
In controller text field :
UP/DOWN & LEFT/RIGHT - move the bot
SPACE - make the bot jump
CTRL - make the bot crouch
R - make the bot reload
S - make the bot shoot
X - make the bot change shoot
In parameter text field :
W/X - down/upgrade of 0.05 value contained in the current field
Q/S - down/upgrade of 1.0 value contained in the current field
A/Z - down/upgrade of 100.0 value contained in the current field
Basic text output, XML output and screenshot :
This function is accessible from the menu bar in File -> Save, the result is a text output which
looks like that :
Name = Bot #2
WALLDetector 1 (
float rayAngle = 0.5235988
)
[...]
LinearIntensityFunction 206 (
float a = 0.0
float b = 10.0
)
WallAvoidingOrientationFunction 206 (
float angle = 64.0
float UTurnDistance = 0.1
)
[...]
ConstantGainFunction 206 (
float constant = 1.0
)
[...]
and also an XML output that can be directly loaded, and a screenshot corresponding to drawing
panel content.
B. Capture de vidéos dans Counter-Strike
Voici le script qui m'a permis de faire des vidéos pour le site Web de l'AnimatLab. Il sert
notamment de HOWTO pour la capture de vidéos dans Counter-Strike, mais il permet aussi
d'automatiser les tâches de conversion et la création de la vidéo finale. Au préalable il sera
nécessaire de fixer la variable d'environnement nommée « HALF_LIFE » qui pointe sur le
répertoire de Half-Life, dans mon cas sa valeur est : $HOME/c_drive/Sierra/Half-Life/
#!/bin/sh
# Debut de convert.sh
FILE=$1
#
#
#
#
#
#
#
How to get bmp images from CStrike?
1/ Launch a server and a client
2/ In client's console do :
a- "record X" (where "X" is the name of ".dem" file)
b- "stop" and quit the client
3/ Launch a client, open a console and do :
a- "timedemo X"
#
b- "startmovie Y Z" (where "Y" is the name of ".bmp" files and "Z" the
number of frame per second, 25 is a good value)
#
c- "endmovie"
# Import bmp images from Half-Life directory
mkdir $1
mv $HALF_LIFE/$1*.bmp $1/
cd $1
# Convert bmp images to jpg format
ls $1*.bmp | xargs -i basename \{\} .bmp | xargs -i convert -verbose \{\}.bmp
\{\}.jpg
# Remove all bmp images
rm -f $1*.bmp
# Make an avi video from jpg images
mencoder mf://$1*.jpg -mf w=800:h=600:fps=15:type=jpg -ovc lavc -lavcopts
vcodec=mpeg4 -oac copy -o $1.avi
# Make an mpeg video from an avi video
#mencoder -ovc lavc -oac copy $1.avi -o $1.mpg
# Read the video obtained
mplayer $1.avi
cd ..
# Fin de convert.sh
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertising